Jun, 2021

跨语言 AMR 解析的强基线

PDF
TL;DR该研究旨在通过跨语言的 AMR 解析，使用单个模型来捕捉各种语言中句子的核心语义内容，发现用翻译加解析（T+P）的简单方法在几种语言上的表现比最新的全球最佳系统表现更好。
cross-lingualabstract meaning representationamr parsingsemantic contentnmt system
发现论文，激发创造
  • 跨语言抽象意义表示解析

    本文提出了一种基于注释映射的方法，通过利用一个源语言和一个源语言以及目标语言的平行语料库中的注释，针对英语作为源语言的情况，在意大利语、西班牙语、德语和中文等目标语言上训练分析器。此外，提出了一种利用英语金标注释的评估方法，这种方法不需要访问目标语言的金标注释，这是通过反转投影流程实现的。

    Apr, 2017

  • 利用双语信息更好地进行跨语言 AMR 解析

    该论文介绍了一种跨语言的 AMR 解析器，该解析器通过引入双语输入和辅助任务来提高 AMR 的预测准确性，其在 Smatch F1 得分上超过了现有的最先进解析器。

    Jun, 2021

  • 基于字符级别翻译的神经语义解析：对抽象意义表示的实验

    我们使用字符级翻译的方法对一大语料库中注释有抽象意义表示的句子进行神经语义解析的评估。通过一些简单的预处理和后处理，我们使用序列到序列模型得到了一个基线准确率为 53.1。研究了五种不同的方法来改善这个基线结果，结合这五种技术的结果使获得了一项 AMR 解析的最新进展状态的成果，F 分数为 71.0。

    May, 2017

  • 神经 AMR: 序列到序列模型用于解析和生成

    使用数百万个未标记的句子和对 AMR 图的精心预处理，我们提出了一种新颖的训练过程，成功地解决了 AMR 中有限的标记数据和非顺序的图表征对序列到序列模型的限制。我们在 AMR 解析和生成任务上取得了竞争性结果，并得到了丰富的分析和证据表明序列基 AMR 模型对图表征的排序变化具有鲁棒性。

    Apr, 2017

  • ATP: AMR 化，再解析！利用伪 AMR 增强 AMR 解析

    通过引入更好的语义或形式相关的辅助任务，我们可以更好地提升抽象意义表示（AMR）解析，包括语义角色标注（SRL）和依存解析（DP）。同时，中间任务学习是一种比多任务学习更好的方式，可以更好地提高 AMR 解析的性能。我们的实验结果显示，我们的方法在不同的基准测试上取得了新的最佳性能。

    Apr, 2022

  • 用自學方法突破 AMR 分析的極限

    本文探讨了训练模型可用于提高 AMR 解析性能的不同方式，包括生成合成文本和 AMR 注释以及动作预测的改进。我们证明了这些技术在没有额外的人工注释的情况下提高了一个已经高性能的解析器，并在 AMR 1.0 和 AMR 2.0 上取得了最先进的结果。

    Oct, 2020

  • 跨领域 AMR 解析泛化

    本研究通过对五个领域的五种具有代表性的抽象意义表示解析器进行广泛评估和分析，旨在解决抽象意义表示解析系统的领域依赖性问题，并通过研究两种方法减少文本和 AMR 特征的领域分布差异，最终实验证明我们的方法的优越性。

    Oct, 2022

  • 多语言 AMR-to - 文本生成

    本论文关注结构化数据的文本生成问题，并着眼于通过跨语言嵌入、预训练和多语言模型生成 21 种不同语言的 AMR 到文本模型。通过分析人类评估，我们发现我们的多语言模型能够准确捕捉形态和语序，并被母语人士视为流畅。

    Nov, 2020

  • AMR 对齐：关注交叉注意力

    本研究探讨了基于 Transformer 模型的句法分析器的交叉注意力机制及其对句子结构与语义间的对齐能力，提出了一种有效的交叉关注权重的监督和引导方法并通过实验验证其效果。

    Jun, 2022

  • 利用上下文嵌入的基于转移的抽象含义表示解析

    该论文提出了一种名为 AmrBerger 的新的语义分析器，它探索了预训练上下文感知的单词嵌入在 AMR 分析中的可用性，并发现这些丰富的词汇特征与额外的概念信息的结合可以提高系统的性能。同时，通过分析，也展现了上下文嵌入的优点和局限，这为进一步深入理解提供了启示。

    Jun, 2022